CN117853458A - 翻修手术机器人植入物智能识别评估方法、装置及设备 - Google Patents
翻修手术机器人植入物智能识别评估方法、装置及设备 Download PDFInfo
- Publication number
- CN117853458A CN117853458A CN202410038646.2A CN202410038646A CN117853458A CN 117853458 A CN117853458 A CN 117853458A CN 202410038646 A CN202410038646 A CN 202410038646A CN 117853458 A CN117853458 A CN 117853458A
- Authority
- CN
- China
- Prior art keywords
- hip
- knee joint
- implant
- segmentation
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000007943 implant Substances 0.000 title claims abstract description 32
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 36
- 210000004394 hip joint Anatomy 0.000 claims abstract description 28
- 210000000629 knee joint Anatomy 0.000 claims abstract description 28
- 210000002082 fibula Anatomy 0.000 claims abstract description 13
- 210000004417 patella Anatomy 0.000 claims abstract description 13
- 210000004197 pelvis Anatomy 0.000 claims abstract description 13
- 210000002303 tibia Anatomy 0.000 claims abstract description 13
- 210000000689 upper leg Anatomy 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Prostheses (AREA)
Abstract
本申请提供了一种翻修手术机器人植入物智能识别评估方法、装置、设备及计算机可读存储介质。该翻修手术机器人植入物智能识别评估方法,包括:获取髋膝关节CT图像;将髋膝关节CT图像输入预设的多任务髋膝关节假体分割网络模型,得到分割部位结果;其中,分割部位结果包括:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体;多任务髋膝关节假体分割网络模型是经过模型训练得到的。根据本申请实施例,能够同时识别髋关节假体和膝关节假体,提高工作效率。
Description
技术领域
本申请属于深度学习智能识别技术领域,尤其涉及一种翻修手术机器人植入物智能识别评估方法、装置、设备及计算机可读存储介质。
背景技术
现有方法对于术后翻修数据的分割存在一定困难,尤其是髋关节和膝关节同时存在假体的数据,更难分割,对于人工规划有很大困难。
因此,如何同时识别髋关节假体和膝关节假体,提高工作效率是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种翻修手术机器人植入物智能识别评估方法、装置、设备及计算机可读存储介质,能够同时识别髋关节假体和膝关节假体,提高工作效率。
第一方面,本申请实施例提供一种翻修手术机器人植入物智能识别评估方法,包括:
获取髋膝关节CT图像;
将髋膝关节CT图像输入预设的多任务髋膝关节假体分割网络模型,得到分割部位结果;
其中,分割部位结果包括:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体;多任务髋膝关节假体分割网络模型是经过模型训练得到的。
可选的,在多任务髋膝关节假体分割网络模型经过模型训练之前,还包括:
获取髋膝关节CT图像;
对髋膝关节CT图像进行格式转换,将DICOM数据转换成NII格式数据;
将转换后的数据集划分成训练集、测试集和验证集。
可选的,将转换后的数据集划分成训练集、测试集和验证集,包括:
对髋膝关节CT图像进行切块操作;其中,切块大小为96*192*192的三维尺寸;
将每一个切块沿着前、后、左、右、上、下进行6倍镜像翻转,进行数据增强,形成训练数据集。
可选的,多任务髋膝关节假体分割网络模型,包括:
对于输入图像进行共计五层的卷积和激活、四层的池化和四层上采样操作,同时进行全尺度跳跃连接,并在含深度监督的版本中,使用真实标签对上采样部分进行加强;
将输入的图像经过两次3*3*3卷积,每次卷积都紧跟着BatchNorm2d、ReLU,然后进行最大池操作。
可选的,还包括:
在解码层,为了方便对不同来源的特征图进行融合,需要统一这些特征图的尺寸和通道数;这个特征图的来源分为三部分:
第一部分为编码器中小尺度特征图,使用最大池化法来缩小特征图的尺寸,通过卷积操作改变特征图的通道数;
第二部分为编码器中同尺度特征图,通过卷积操作来改变这两个特征图的通道数;
第三部分为解码器中大尺度特征图,通过双线性插值法来扩大特征图的尺寸,通过卷积操作来改变特征图的尺寸和通道数;
最后经过BN和ReLU操作得到第三解码层的特征图,实现全尺寸特征融合。
可选的,还包括:
将五个解码层的特征分别输出,第五解码层的输出特征图通过Dropout、1*1*1的卷积和一个Sigmoid函数得到一组概率值,并通过复合损失函数来训练这个分割过程,将五个分支的结果合并输出最终结果。
可选的,确定复合损失函数,包括:
分别确定骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体的损失函数及其对应权重;
基于各个损失函数及其对应权重,确定复合损失函数。
第二方面,本申请实施例提供了一种翻修手术机器人植入物智能识别评估装置,装置包括:
图像获取模块,用于获取髋膝关节CT图像;
分割结果获取模块,用于将髋膝关节CT图像输入预设的多任务髋膝关节假体分割网络模型,得到分割部位结果;
其中,分割部位结果包括:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体;多任务髋膝关节假体分割网络模型是经过模型训练得到的。
第三方面,本申请实施例提供了一种电子设备,电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现翻修手术机器人植入物智能识别评估方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现翻修手术机器人植入物智能识别评估方法。
本申请实施例的翻修手术机器人植入物智能识别评估方法、装置、设备及计算机可读存储介质,能够同时识别髋关节假体和膝关节假体,提高工作效率。
该翻修手术机器人植入物智能识别评估方法,包括:获取髋膝关节CT图像;将髋膝关节CT图像输入预设的多任务髋膝关节假体分割网络模型,得到分割部位结果;其中,分割部位结果包括:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体;多任务髋膝关节假体分割网络模型是经过模型训练得到的。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的翻修手术机器人植入物智能识别评估方法的流程示意图;
图2是本申请一个实施例提供的多任务髋膝关节假体分割网络模型的模型训练流程示意图;
图3是本申请一个实施例提供的多任务髋膝关节假体分割网络模型的网络结构示意图;
图4是本申请一个实施例提供的翻修手术机器人植入物智能识别评估装置的结构示意图;
图5是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本申请实施例提供了一种翻修手术机器人植入物智能识别评估方法、装置、设备及计算机可读存储介质。下面首先对本申请实施例所提供的翻修手术机器人植入物智能识别评估方法进行介绍。
图1示出了本申请一个实施例提供的翻修手术机器人植入物智能识别评估方法的流程示意图。如图1所示,该翻修手术机器人植入物智能识别评估方法,包括:
S101、获取髋膝关节CT图像;
S102、将髋膝关节CT图像输入预设的多任务髋膝关节假体分割网络模型,得到分割部位结果;其中,分割部位结果包括:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体;多任务髋膝关节假体分割网络模型是经过模型训练得到的。
在一个实施例中,在多任务髋膝关节假体分割网络模型经过模型训练之前,还包括:
获取髋膝关节CT图像;
对髋膝关节CT图像进行格式转换,将DICOM数据转换成NII格式数据;
将转换后的数据集划分成训练集、测试集和验证集。
具体的,获取髋关节、膝关节翻修数据,对CT数据进行标注,得到对应标签,制作训练数据集。对训练数据集进行打乱顺序后按照6:2:2的比例划分为训练集、验证集、测试集。数据标签为:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体。输入髋关节、膝关节CT数据,进行格式转换,将DICOM数据转换成NII格式数据,并将转换后的数据集划分成训练集、测试集和验证集。并将训练集和验证集输入到网路中进行模型训练。
在一个实施例中,将转换后的数据集划分成训练集、测试集和验证集,包括:
对髋膝关节CT图像进行切块操作;其中,切块大小为96*192*192的三维尺寸;
将每一个切块沿着前、后、左、右、上、下进行6倍镜像翻转,进行数据增强,形成训练数据集。
具体的,多任务髋膝关节假体分割网络模型的模型训练流程示意图如图2所示,对输入的髋关节CT图像使用3D图像分割网络。对输入的原始CT数据进行切块操作、切块大小96*192*192的三维尺寸,将每一个切块沿着前、后、左、右、上、下进行6倍镜像翻转,进行数据增强,形成训练数据集,将数据增强后的数据集输入到多任务髋关节、膝关节假体分割网络,分割每一个部位。
在一个实施例中,多任务髋膝关节假体分割网络模型,包括:
对于输入图像进行共计五层的卷积和激活、四层的池化和四层上采样操作,同时进行全尺度跳跃连接,并在含深度监督的版本中,使用真实标签对上采样部分进行加强;
将输入的图像经过两次3*3*3卷积,每次卷积都紧跟着BatchNorm2d、ReLU,然后进行最大池操作。
在一个实施例中,还包括:
在解码层,为了方便对不同来源的特征图进行融合,需要统一这些特征图的尺寸和通道数;这个特征图的来源分为三部分:
第一部分为编码器中小尺度特征图,使用最大池化法来缩小特征图的尺寸,通过卷积操作改变特征图的通道数;
第二部分为编码器中同尺度特征图,通过卷积操作来改变这两个特征图的通道数;
第三部分为解码器中大尺度特征图,通过双线性插值法来扩大特征图的尺寸,通过卷积操作来改变特征图的尺寸和通道数;
最后经过BN和ReLU操作得到第三解码层的特征图,实现全尺寸特征融合。
在一个实施例中,还包括:
将五个解码层的特征分别输出,第五解码层的输出特征图通过Dropout、1*1*1的卷积和一个Sigmoid函数得到一组概率值,并通过复合损失函数来训练这个分割过程,将五个分支的结果合并输出最终结果。
具体的,图3是本申请一个实施例提供的多任务髋膝关节假体分割网络模型的网络结构示意图,设计了一种新的网络结构,通过引入全尺度的跳过连接,在全尺度特征映射中融合了低层细节和高层语义,充分利用了多尺度特征的同时具有更少的参数;通过深度监督让网络从全尺度特征中学***衡样本分布不均匀,增强对髋关节和膝关节假体识别的权重;提出分类指导模块,通过与图像分类分支联合训练的方式,减少了网络在非骨骼图像的过度分割。
对于输入图像进行共计五层的卷积和激活、四层的池化和四层上采样操作,同时进行全尺度跳跃连接,并在含深度监督的版本中,使用真实标签对上采样部分进行加强。
将输入的图像经过两次3*3*3卷积,每次卷积都紧跟着BatchNorm2d、ReLU。然后进行最大池操作,即stride=2的2*2*2卷积。值得注意的是最下面一层即第五层卷积后不再进行下采样(最大池操作)。BatchNorm2d此处是为了将3*3*3卷积后的特征图进行数据归一化处理,防止后续的ReLU激活函数操作时,出现由于特征图数据过大,出现网络性能不稳定的问题。
在解码层,以第三层为例,为了方便对不同来源的特征图进行融合,需要统一这些特征图的尺寸和通道数。这个特征图的来源分为三部分。第一部分为编码器中小尺度特征图,也就是图中第一编码层和第二编码层的特征图,作者通过池化操作(使用最大池化法)来缩小特征图的尺寸,通过卷积操作改变特征图的通道数。第二部分为编码器中同尺度特征图,也就是图中第三编码层的特征图,作者通过卷积操作来改变这两个特征图的通道数。第三部分为解码器中大尺度特征图,也就是图中第五解码层和第四解码层的特征图,作者通过上采样操作(双线性插值法)来扩大特征图的尺寸,通过卷积操作来改变特征图的尺寸和通道数。最后经过BN和ReLU操作得到第三解码层的特征图,实现全尺寸特征融合。和他解码层结构相同。将五个解码层的特征分别输出,第五解码层的输出特征图通过Dropout、1*1*1的卷积和一个Sigmoid函数得到一组概率值,并通过复合损失函数来训练这个分割过程。将五个分支的结果合并输出最终结果。
本网络实现7个任务的分割,骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体,本网络最后设计多任务形式,即采用七个损失函数,每一个损失函数训练一个部位,每一个损失函数设置不同的权重。
在一个实施例中,确定复合损失函数,包括:
分别确定骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体的损失函数及其对应权重;
基于各个损失函数及其对应权重,确定复合损失函数。
具体的,损失函数:
考虑到翻修数据样本分布不均匀的问题,设计一种组合的损失函数,由FocalLoss和LDAM Loss组成,更好地处理不平衡数据集。Focal Loss通过强调难以分类的样本来提高模型的性能,而LDAM Loss则考虑了数据集的类别分布来调整权重。Focal Loss通过引入γ调节因子来调整样本数量和样本难易程度,以便模型专注于学习少数类。具体公式如下:
FL(pt)=-(1-pt)γlog(pt)
其中,Pt是模型预测概率,γ表示权重因子。
LDAM Loss损失侧重于每个类的最小边际和获得每个类和统一标签测试错误,而不是鼓励大多数类训练样本与决策边界的大边距,公式如下:
其中,表示类别个数,x为样本,y为对应的标签。
最终每一个任务的损失函数设计为:
L=aFL+(1-a)LLDAM
其中,a表示权重因子。
本网络采用多任务分割的形式,共7个任务:
Loss=a*L1+a*L2+a*L3+a*L4+a*L5+b*L6+b*L7
其中,a=0.12,b=0.2表示权重因子,L6表示髋关节假体损失函数部分,L7表示膝关节假体损失函数部分。这样的设计分给髋关节假体和膝关节假体更多的注意力权重,加强网络对这两部分的注意力,增强对假体的分割。
图4是本申请一个实施例提供的翻修手术机器人植入物智能识别评估装置的结构示意图,该翻修手术机器人植入物智能识别评估装置,包括:
图像获取模块401,用于获取髋膝关节CT图像;
分割结果获取模块402,用于将髋膝关节CT图像输入预设的多任务髋膝关节假体分割网络模型,得到分割部位结果;
其中,分割部位结果包括:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体;多任务髋膝关节假体分割网络模型是经过模型训练得到的。
图5示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器502可在电子设备的内部或外部。在特定实施例中,存储器502可以是非易失性固态存储器。
在一个实施例中,存储器502可以是只读存储器(Read Only Memory,ROM)。在一个实施例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现上述实施例中的任意一种翻修手术机器人植入物智能识别评估方法。
在一个示例中,电子设备还可包括通信接口503和总线510。其中,如图5所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的翻修手术机器人植入物智能识别评估方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种翻修手术机器人植入物智能识别评估方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种翻修手术机器人植入物智能识别评估方法,其特征在于,包括:
获取髋膝关节CT图像;
将髋膝关节CT图像输入预设的多任务髋膝关节假体分割网络模型,得到分割部位结果;
其中,分割部位结果包括:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体;多任务髋膝关节假体分割网络模型是经过模型训练得到的。
2.根据权利要求1所述的翻修手术机器人植入物智能识别评估方法,其特征在于,在多任务髋膝关节假体分割网络模型经过模型训练之前,还包括:
获取髋膝关节CT图像;
对髋膝关节CT图像进行格式转换,将DICOM数据转换成NII格式数据;
将转换后的数据集划分成训练集、测试集和验证集。
3.根据权利要求2所述的翻修手术机器人植入物智能识别评估方法,其特征在于,将转换后的数据集划分成训练集、测试集和验证集,包括:
对髋膝关节CT图像进行切块操作;其中,切块大小为96*192*192的三维尺寸;
将每一个切块沿着前、后、左、右、上、下进行6倍镜像翻转,进行数据增强,形成训练数据集。
4.根据权利要求3所述的翻修手术机器人植入物智能识别评估方法,其特征在于,多任务髋膝关节假体分割网络模型,包括:
对于输入图像进行共计五层的卷积和激活、四层的池化和四层上采样操作,同时进行全尺度跳跃连接,并在含深度监督的版本中,使用真实标签对上采样部分进行加强;
将输入的图像经过两次3*3*3卷积,每次卷积都紧跟着BatchNorm2d、ReLU,然后进行最大池操作。
5.根据权利要求4所述的翻修手术机器人植入物智能识别评估方法,其特征在于,还包括:
在解码层,为了方便对不同来源的特征图进行融合,需要统一这些特征图的尺寸和通道数;这个特征图的来源分为三部分:
第一部分为编码器中小尺度特征图,使用最大池化法来缩小特征图的尺寸,通过卷积操作改变特征图的通道数;
第二部分为编码器中同尺度特征图,通过卷积操作来改变这两个特征图的通道数;
第三部分为解码器中大尺度特征图,通过双线性插值法来扩大特征图的尺寸,通过卷积操作来改变特征图的尺寸和通道数;
最后经过BN和ReLU操作得到第三解码层的特征图,实现全尺寸特征融合。
6.根据权利要求5所述的翻修手术机器人植入物智能识别评估方法,其特征在于,还包括:
将五个解码层的特征分别输出,第五解码层的输出特征图通过Dropout、1*1*1的卷积和一个Sigmoid函数得到一组概率值,并通过复合损失函数来训练这个分割过程,将五个分支的结果合并输出最终结果。
7.根据权利要求6所述的翻修手术机器人植入物智能识别评估方法,其特征在于,确定复合损失函数,包括:
分别确定骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体的损失函数及其对应权重;
基于各个损失函数及其对应权重,确定复合损失函数。
8.一种翻修手术机器人植入物智能识别评估装置,其特征在于,所述装置包括:
图像获取模块,用于获取髋膝关节CT图像;
分割结果获取模块,用于将髋膝关节CT图像输入预设的多任务髋膝关节假体分割网络模型,得到分割部位结果;
其中,分割部位结果包括:骨盆、股骨、胫骨、髌骨、腓骨、髋关节假体、膝关节假体;多任务髋膝关节假体分割网络模型是经过模型训练得到的。
9.一种电子设备,其特征在于,所述电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的翻修手术机器人植入物智能识别评估方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的翻修手术机器人植入物智能识别评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038646.2A CN117853458A (zh) | 2024-01-10 | 2024-01-10 | 翻修手术机器人植入物智能识别评估方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038646.2A CN117853458A (zh) | 2024-01-10 | 2024-01-10 | 翻修手术机器人植入物智能识别评估方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117853458A true CN117853458A (zh) | 2024-04-09 |
Family
ID=90532507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410038646.2A Pending CN117853458A (zh) | 2024-01-10 | 2024-01-10 | 翻修手术机器人植入物智能识别评估方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853458A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及*** |
CN112971981A (zh) * | 2021-03-02 | 2021-06-18 | 北京长木谷医疗科技有限公司 | 基于深度学习的全髋关节置换翻修术前规划方法和设备 |
US20210233308A1 (en) * | 2020-01-24 | 2021-07-29 | Covidien Lp | System and method for linking a segmentation graph to volumetric data |
CN114419618A (zh) * | 2022-01-27 | 2022-04-29 | 北京长木谷医疗科技有限公司 | 基于深度学习的全髋关节置换术前规划*** |
CN115272372A (zh) * | 2022-08-01 | 2022-11-01 | 瓴域影诺(北京)科技有限公司 | 一种基于3D-UNet的膝关节CT图像分割方法及*** |
CN116309636A (zh) * | 2023-02-21 | 2023-06-23 | 北京长木谷医疗科技有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
CN117350992A (zh) * | 2023-11-02 | 2024-01-05 | 北京长木谷医疗科技股份有限公司 | 基于自导向注意机制多任务分割网络金属植入物识别方法 |
-
2024
- 2024-01-10 CN CN202410038646.2A patent/CN117853458A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及*** |
US20210233308A1 (en) * | 2020-01-24 | 2021-07-29 | Covidien Lp | System and method for linking a segmentation graph to volumetric data |
CN112971981A (zh) * | 2021-03-02 | 2021-06-18 | 北京长木谷医疗科技有限公司 | 基于深度学习的全髋关节置换翻修术前规划方法和设备 |
CN114419618A (zh) * | 2022-01-27 | 2022-04-29 | 北京长木谷医疗科技有限公司 | 基于深度学习的全髋关节置换术前规划*** |
CN115272372A (zh) * | 2022-08-01 | 2022-11-01 | 瓴域影诺(北京)科技有限公司 | 一种基于3D-UNet的膝关节CT图像分割方法及*** |
CN116309636A (zh) * | 2023-02-21 | 2023-06-23 | 北京长木谷医疗科技有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
CN117350992A (zh) * | 2023-11-02 | 2024-01-05 | 北京长木谷医疗科技股份有限公司 | 基于自导向注意机制多任务分割网络金属植入物识别方法 |
Non-Patent Citations (1)
Title |
---|
HUIMIN HUANG ET AL.: "UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation", 《ARXIV:2004.08790》, 19 April 2020 (2020-04-19), pages 1 - 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647585A (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN111860138B (zh) | 基于全融合网络的三维点云语义分割方法及*** | |
CN114067107A (zh) | 基于多粒度注意力的多尺度细粒度图像识别方法及*** | |
EP3627379A1 (en) | Methods for generating a deep neural net and for localising an object in an input image, deep neural net, computer program product, and computer-readable storage medium | |
CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN109948160A (zh) | 短文本分类方法及装置 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN111402216A (zh) | 基于深度学习的三维碎骨分割方法和装置 | |
CN114495060B (zh) | 一种道路交通标线识别方法及装置 | |
CN116543221A (zh) | 关节病变智能检测方法、装置、设备及可读存储介质 | |
CN112016560A (zh) | 覆盖文本识别方法、装置、电子设备及存储介质 | |
CN117350992A (zh) | 基于自导向注意机制多任务分割网络金属植入物识别方法 | |
CN109740554A (zh) | 一种道路边缘线识别方法及*** | |
CN117853458A (zh) | 翻修手术机器人植入物智能识别评估方法、装置及设备 | |
CN117893858A (zh) | 一种融合多层级多尺度与边界信息的图像篡改定位方法 | |
CN115953345B (zh) | 脑出血医学图像的病变合成方法、装置及存储介质 | |
CN116363150A (zh) | 髋关节分割方法、装置、电子设备及计算机可读存储介质 | |
CN115035354B (zh) | 基于改进yolox的水库水面漂浮物目标检测方法 | |
CN116051813A (zh) | 全自动智能腰椎定位与识别方法及应用 | |
CN116189130A (zh) | 基于图像标注模型的车道线分割方法及装置 | |
CN114066804A (zh) | 一种基于深度学习的曲面断层片牙位识别方法 | |
CN113139581A (zh) | 一种基于多图融合的图像分类方法和*** | |
CN112634239A (zh) | 一种基于深度学习的脑出血检测*** | |
CN117679160B (zh) | 创伤骨折复位方法、装置、设备及可读存储介质 | |
CN116883326A (zh) | 膝关节解剖位点识别方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |